29 de Janeiro de 2018 3 min de leitura

As 3 etapas da Ciência de Dados

Neste post falo sobre as três etapas da ciência de dados de uma organização verdadeiramente madura.

Empresas em todo o mundo estão em uma corrida para extrair uma visão significativa de seus dados. Muitas organizações estão correndo atrás de equipes de ciência de dados e atacando problemas (alguns mais bem sucedidos do que outros). No entanto, um dos desafios é determinar o estágio atual da ciência dos dados dentro da organização. Em seguida, é determinar o estágio desejado da ciência dos dados.

Abaixo estão 3 etapas de uma organização de ciência de dados verdadeiramente madura.

1. Dashboards

O estágio inicial da ciência dos dados são os painéis. Trata-se de responder “Quanto?” E “O que aconteceu?”, observando relatórios de dados históricos. Se bem feito, pode até ajudar uma organização a responder “Porquê”. Muitas organizações se referirão a esta fase como Business Intelligence.

O estágio do painel pode ser muito caro para uma organização, em termos de horas-pessoas e dinheiro. Geralmente envolve investimentos em:

• Data Warehouse ou algum outro ambiente de armazenamento, para armazenar os dados em um único local para relatórios fáceis
• Ferramentas ETL (Extract Transform Load) para manipular, combinar e mover dados para o data warehouse
• Ferramentas de relatórios para exibir os resultados e permitir que os usuários “explorem” os dados

Aqui estão algumas perguntas comuns que podem ser respondidas através de painéis tradicionais:

• Quantos clientes vivem em cada região?
• Quais foram as vendas na Back Friday?
• Quantos pacientes visitaram o hospital no mês passado?

Como você pode ver, existem grandes quantidades de valor que podem ser obtidas somente nesta fase. É fundamental para uma empresa compreender claramente a performance passada. Infelizmente, esta fase é onde muitas empresas param.

2. Machine Learning

A verdadeira “ciência” da ciência dos dados não começa até a segunda fase, que é o Machine Learning. Ele se concentra em estimar quantidades que não podem ser observadas diretamente. Isso pode ser o que os filmes que um cliente vai gostar, o preço do estoque de uma empresa amanhã, ou o efeito causal de uma campanha publicitária específica. O Machine Learning usa os dados da primeira fase e aplica métodos estatísticos ou outros para obter informações adicionais.

Pense em Machine Learning como respondendo o seguinte:

• Quando um cliente se muda, quanto ele / ela gastará dinheiro em uma loja de ferragens?
• Quando uma compra de cartão de crédito é feita, qual a probabilidade da cobrança ser fraudulenta?
• Qual é o custo de vida esperado de um novo cliente?
• Se um furacão estiver chegando, o que as pessoas comprarão? (Ex: Água para estocar)

Observe a conexão entre um evento e algum resultado. O valor do Machine Learning vem da estimativa do resultado causal de eventos potenciais. Esta fase é preenchida com termos como: Machine Learning, Mineração de Dados (Data Mining) e Modelagem Estatística. O estágio de Machine Learning é tudo sobre olhar para o futuro!

3. Ações

Determinar as ações a serem realizadas, é a terceira e última fase. Ela tenta capitalizar os resultados de Machine Learning para tomar as ações apropriadas. As seguintes ações podem ser adequadas para os eventos identificados na seção preditiva acima.

• Quando um cliente se muda, envie um pacote “bem-vindo ao bairro” com cupons para lojas de ferragens próximas.
• Recusar a cobrança fraudulenta ou desativar o cartão de crédito.
• Se o novo cliente tiver um custo de vida esperado muito elevado, ofereça algum tratamento especial ou ofertas para garantir que o cliente se torne um cliente para toda a vida.
• Quando um furacão se aproxima, coloque a água em promoção e/ou em destaque na loja.

Como você pode ver, uma bom Machine Learning a partir da segunda fase pode levar a ações claras.

Conclusão

Para obter o sucesso em ciência de dados é preciso conquistar as três etapas. Cada estágio baseia-se na fase anterior. Se você colocou o esforço para completar a primeira etapa, por que não continuar na segunda e terceira etapas?

Fonte: The 3 Stages of Data Science

Gostou do artigo? Por favor, dê sua opinião! Até a Próxima :)